انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Modeling the Number of Medical Visits Using Conway-Maxwell-Poisson Neural Network Regression ﻣﺪﻝ ﺑﻨﺪی ﺗﻌﺪﺍد ویزیت های پزﺷکی ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺭگرﺳﯿﻮﻥ ﺷﺒکه ﻋﺼبی کانوی-مکسول-پوﺍﺳوﻦ... 732356 10.22034/jr_iss.2024.732356 FA ترنم ترابی نعمان گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران مهدی عمادی گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران محمد آرشی گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article 2025 09 13 Since many empirical and scientific analyses are based on count data, modeling such data is of great importance. Examples of these analyses include regression of the number of doctor visits based on a set of predictor variables. Obviously, access to an appropriate predictive regression model can have a significant impact on decision-making and planning.<br><br>In this research, aiming to improve modeling accuracy, Poisson regression has been combined with an artificial neural network to provide a better modeling framework for count data. In this regard, a Poisson neural network regression model along with a computational algorithm is presented. To evaluate its performance in terms of parameter estimation and predictive accuracy, it is compared with two ensemble machine learning models: Random Forest and XGBoost.<br><br>On the other hand, to investigate the overdispersion phenomenon, the Conway–Maxwell–Poisson neural network model was used and compared with the Poisson neural network.<br><br>By implementing the aforementioned models on a real medical dataset, we demonstrate that the Conway–Maxwell–Poisson neural network regression model exhibits superior performance. از آن‌جایی که بسیاری از تحلیل‌های تجربی و علمی بر پایه داده‌های شمارشی صورت می‌گیرد، مدل‌بندی داده‌های شمارشی از اهمیت بسزایی برخوردار است. از جمله این تحلیل‌ها می‌توان به رگرسیون تعداد مراجعات به پزشک برپایه یک سری متغیر پیشگو اشاره کرد. بدیهی است دسترسی به مدل رگرسیون پیشگوی مناسب می‌تواند تاثیر زیادی بر تصمیم‌گیری‌ها و برنامه‌ریزی‌ها داشته باشد.<br>در این پژوهش در راستای بهبود دقت مدل‌بندی، رگرسیون پواسون با شبکه عصبی ترکیب شده است تا مدل‌سازی بهتری برای داده شمارشی داشته باشیم. دراین راستا، مدل شبکه عصبی پواسون همراه با الگوریتم محاسباتی ارائه شده و به منظور ارزیابی کارایی آن از دیدگاه برآورد پارامتر و دقت پیشگویی، با دو مدل جنگل تصادفی و XGBoost از روش‌های یادگیری گروهی، مقایسه شده است.<br>از طرفی برای بررسی پدیده بیش‌پراکنش از مدل شبکه عصبی کانوی-مکسول-پواسون استفاده کرده و با شبکه عصبی پواسون مقایسه انجام شد.<br>با پیاده‌سازی مدل‌های فوق‌الذکربر روی یک مجموعه داده واقعی پزشکی، نشان دادیم که مدل رگرسیون شبکه عصبی کانوی-مکسول-پواسون از عملکرد بهتری برخوردار است. https://andisheyeamari.irstat.ir/article_732356_37323f26f679505ff1c17f57a9867e48.pdf